Classification হলো এমন একটি supervised Machine Learning problem যেখানে target একটি category বা class।

অর্থাৎ model-এর কাজ কোনো numerical quantity predict করা নয়, বরং একটি observation কোন class-এর অন্তর্ভুক্ত সেটা determine করা।

Examples

Email       → Spam / Not Spam
Transaction → Fraud / Normal
Customer    → Churn / Stay
Loan        → Approved / Rejected
Image       → Cat / Dog / Bird

Binary Classification

যখন শুধু দুইটি possible class থাকে।

উদাহরণ:

Fraud / Not Fraud
Yes / No
0 / 1
Positive / Negative

একে Binary Classification বলে।

Model অনেক সময় সরাসরি class predict না করে probability দেয়।

উদাহরণ:

Fraud probability = 0.82

তারপর threshold ব্যবহার করে:

Probability > 0.50
→ Fraud

Multiclass Classification

যখন দুইয়ের বেশি class থাকে, কিন্তু প্রতিটি observation-এর জন্য একটি final class choose করতে হয়।

উদাহরণ:

Cat
Dog
Bird
Horse

একটি image শেষ পর্যন্ত একটি class-এ যাবে।

Multilabel Classification

Multilabel problem-এ একটি observation-এর একাধিক label একই সাথে true হতে পারে।

উদাহরণ:

একটি movie হতে পারে:

Action
Comedy
Drama

একসাথে।

অথবা একটি image-এ থাকতে পারে:

Car
Person
Tree
Road

এখানে multiple labels simultaneously true হতে পারে।

Multiclass vs Multilabel

এটা interview-এ frequently confuse করা হয়।

Multiclass
→ Many possible classes
→ One final class

Multilabel
→ Many possible labels
→ Multiple labels can be true

Common Classification Metrics

Accuracy
Precision
Recall
F1 Score
ROC-AUC
PR-AUC
Log Loss

কোন metric ব্যবহার করবেন তা problem-এর business objective-এর উপর depend করে।

Example

Fraud detection-এ যদি fraud খুব rare হয়:

99.5% Normal
0.5% Fraud

তাহলে model সবসময়:

Normal

predict করেও 99.5% Accuracy পেতে পারে।

কিন্তু model practically useless।

তাই এখানে Accuracy-এর চেয়ে:

Precision
Recall
F1
PR-AUC

বেশি useful হতে পারে।

Interview-ready Explanation

Classification is a supervised learning problem where
the target variable represents a category or class.

Binary classification has two classes,
multiclass classification has more than two classes
with one final class per observation,
and multilabel classification allows multiple labels
to be true at the same time.

The evaluation metric should be chosen based on the
problem and class distribution.